cs 篇论文 | Gist.Science

本文提出了混合拆分混沌密码系统（HSBCC），这是一个统一的框架，它集成了动态生成的单模希尔密码、基于逻辑映射的密钥导出以及椭圆曲线密码学，旨在为任意二进制文件实现安全、无损且保持尺寸的加密。

本研究表明，虽然块稀疏剪枝显著压缩了用于边缘部署的深度学习入侵检测模型，且并未改善标准硬件上的推理延迟，但它引入了特定类别的稳定性问题，并且未能解决针对少数攻击类型的性能问题。

本文提出了一种用于联邦云环境的 AI 驱动框架，该框架集成了图神经网络、NSGA-II 优化算法和上下文多臂老虎机算法，旨在同时最小化服务水平目标（SLO）违规、能耗、运营成本和集群间流量，并最大化公平性与稳定性，在实验评估中实现了优于现有方法的卓越性能。

本研究评估了六个对话式人工智能平台，发现尽管它们能持续模拟共情，但在危机检测与升级方面表现出显著的不一致性，揭示了其记录在案的安全承诺与实际交互表现之间存在关键差距。

本文提出了一种统一的两阶段混合框架，该框架将一种模式感知运动分类流水线与基于强化学习的卡尔曼滤波噪声参数自适应调优相结合，以增强自动驾驶车辆在应对 GPS 欺骗时的导航精度与鲁棒性。

本文提出了 CGHC-S128，一种结合了完全图希尔密码（Complete Graph Hill Cipher）与 Shift128 残差加密的混合加密框架，旨在安全且高效地加密任何大小的通用二进制文件而无需填充，同时确保数学上的密钥可逆性、完美的解密性能以及对密码分析攻击的强抵抗力。

本文提出了CAI算力定律，即一个定量框架（C = A/I），旨在证明通过优化算法和净化信息资源可以显著提升有效算力并缓解收益递减问题，从而引导各行业实现算力、算法与广义信息之间的动态三方平衡，而非仅仅依赖硬件扩张。

本文提出了一种面向烟草企业的、由大数据驱动的预警模型，该模型集成了可扩展的分布式数据流水线、高级特征工程以及集成学习系统，旨在克服传统监测的局限性，从而实现实时、准确且具可解释性的安全风险检测与决策支持。

本文介绍了 OBFM-SafeEnsemble，这是一个受保护的跨爆发迁移学习框架，它利用源先验和自适应正则化，在显著提高数据匮乏的埃博拉疫情中确诊状态预测能力的同时，通过严格的验证和集成选择来防止有害知识迁移。

本文提出了一种人工智能驱动的自适应混合密码系统，该系统根据文件特征动态分配单模希尔密码（Unimodular Hill Cipher）与 RSA-OAEP 加密，并利用逻辑混沌映射（Logistic Chaotic Maps）进行密钥生成，旨在为通用二进制文件实现稳健、高效且无损的安全保障。